阿拉伯语的书写比发音少了一部分信息。阿拉伯语读者遇到不带元音的句子时,会不自觉地根据上下文还原短元音;语音模型则要靠统计来完成同样的事。问题由此而生:同一段文字可能有不止一种读法,而每种读法都会改变意思。此外,阿拉伯语的方言种类极多,而结构良好的方言语音数据又很稀少。本文依据近期研究论文作者公布的数据,梳理这些障碍,再谈谈对制作阿拉伯语音频内容的人意味着什么。
隐藏读音的文字:短元音问题
阿拉伯语通常不写短元音(开口符、合口符、齐齿符、静符和鼻音符)。“كتب”就是一个常见例子:它可以读作“kataba”(他写了)、“kutub”(书籍)或“kutiba”(被写下)。读者要靠整个句子来判断。
Hala Al Masri 与 Muhy Eddin Zater 关于准备阿拉伯语语音数据的论文清楚地描述了这个问题:缺少元音时,同一个词可能有多种含义,配音演员和 AI 模块都能从减少歧义的标音中受益。论文提出部分标音,只在有歧义的地方加符号,因为完全标音的文本既少又贵。
能自动加标音吗?数字显示有进步,也有差距
合乎逻辑的办法是在朗读前自动加上标音。自动标音已有很大进步,但距离完美还很远。CATT 论文(基于字符的阿拉伯语标音 Transformer)在两个基准上报告了其模型的结果:
- 在带词尾格的 WikiNews 基准上,编码器-解码器模型的字符错误率约为 5.96%,词错误率约为 20.06%。
- 在更难的 CATT 基准上,字符错误率约为 8.62%,词错误率约为 34.19%。
两个基准之间的差别很重要。这里的词错误指该词至少有一处标音错误。论文的模型虽然优于与之比较的模型,但在较容易的基准上每五个词大约错一个,在较难的基准上每三个词大约错一个。词尾格(语法词尾)是标音中最难的部分,因为它取决于句子结构而不是单个词。因此,排除词尾格后数字会改善(WikiNews 上字符错误率约 3.63%)。
结论:自动标音能减少歧义,但不能消除,而且其中的任何错误都会直接带入读音。
数据能取代标音吗?卡塔尔计算研究所(QCRI)的实验
另一条研究路线是:不给文本加标音,而是用海量语音训练模型,让它学会正确猜测。研究论文《More Data, Fewer Diacritics》(2026 年 3 月)测试的就是这一点,作者来自卡塔尔计算研究所(QCRI)。团队从社交平台收集了约 2 万小时音频,经过清洗和切分后保留约 4000 小时可用于训练的数据。随后他们训练了不同规模、带标音与不带标音的模型,并用语音识别模型测量词错误率(WER)。
主要结果:
- 4000 小时且带标音:WER 为 1.67,结果最好。
- 4000 小时且无标音:WER 为 3.18。
- 用 1000 小时训练的无标音模型(3.12)优于用 100 小时训练的带标音模型(3.48 和 3.62)。
也就是说,在数据量相同时,标音仍然给出最好的结果,但大量数据能弥补很大一部分标音缺失带来的差距。研究者也指出了重要的局限:实验仅限现代标准阿拉伯语,评估为客观指标而没有人工听测,而且用于打分的识别模型系列与数据准备流程相关,可能使结果产生偏差。
标准阿拉伯语与方言:一种书面语和一种口语
第二个问题比标音更深:我们说的是哪种“阿拉伯语”?Habibi 论文(2026 年 1 月)指出,阿拉伯语有 30 多种口语变体,现代标准阿拉伯语在日常交谈中很少使用,而各方言在词汇和发音上差异很大。论文还提到,现有的阿拉伯语语音数据大多最初是为语音识别而建的,往往有噪声且没有标音,并且缺少评估多方言语音合成的统一基准。
“Arab Voices”研究(不列颠哥伦比亚大学,2026 年 1 月)从数据角度印证了这一点。它梳理了 31 个阿拉伯语语音数据集,发现方言标签并不统一,北非(阿尔及利亚、哈桑尼亚、摩洛哥和突尼斯)与伊拉克等地区的代表性不足。在零样本语音识别测试中,部分 Whisper 配置的错误率超过 200,在美索不达米亚阿拉伯语上达到 271.25,而标准阿拉伯语的错误率在多个模型中低于 12。这些是语音识别而非语音合成的数字,但反映了数据中标准语与方言之间同样的差距。
Habibi 有一个引人注目的结果:先用标准阿拉伯语再用方言训练模型,效果远好于只用方言训练。在 SADA 数据集上,这种方法的 WER 约为 13.30,而仅用方言从头训练则为 55.63。换言之,标准阿拉伯语是可供搭建的基础,只靠方言数据是不够的。
模型开口之前:文本规范化与录音
我们听到的许多错误并非来自语音模型,而是来自送到它面前的文本。Al Masri 和 Zater 解释说,数据处理流程会在标音、拼写检查和切分之前,把数字、日期、非阿拉伯语单词和缩写转换成可朗读的阿拉伯语文本。“1994”“5 公里”或“iPhone”这样的文本不是照写的样子读的,如果不明确转换,就会被读错或被跳过。
论文也谈到录音质量:未经处理的录音棚里的噪声、嘶嘶声和爆破音会破坏训练数据,因此建议在源头避免噪声、保持稳定自然的语速,并且只在标点处停顿。这提醒我们:合成语音的质量取决于它所学习的人声的质量。
怎样判断声音好不好?衡量的问题
大多数研究依赖 WER、说话人相似度和预测自然度(UTMOS)等自动指标,而这些指标都有局限。Habibi 提醒说,其中一些指标在训练数据之外泛化不佳,因此研究者为每种方言增加了 10 到 20 位母语者参与的人工评估。与一个商用模型比较时,没有哪一方在所有指标上获胜:Habibi 在说话人相似度和若干方言的错误率上更好,而商用模型在自然度上更好。教训是,“最好的系统”取决于你衡量什么,而真正去听是无可替代的。
对制作阿拉伯语音频内容的人意味着什么?
从上述研究可以得出一些实用习惯。这些是我自己的分析,并非论文的原话:
- 自己在有歧义的地方加标音。对有多种读法的词做部分标音,比依赖猜测更便宜也更准确,这也是 Al Masri 和 Zater 的建议。
- 把数字、日期、缩写和外国名字写成你希望它们被读出的样子。
- 有意识地选择标准阿拉伯语或方言,除非出于艺术考虑,否则不要在同一段里混用。
- 发布前先听。没有任何自动指标能取代人耳,尤其是人名、术语和数字。
- 把长文本拆成短段,逐段检查,因为一小时音频里的一处错误很难被发现。
Moknah 现状
Moknah 在平台内处理其中一部分步骤:针对阿拉伯语提供三种文本处理器,即基础、Tashkeel 和 AI 诗人,其中 Tashkeel 和 AI 诗人比基础消耗更多积分。平台支持 130 多种语言的文本转语音。它不能取代人工审阅,而是减少重复的手工工作。你可以免费开始,并在定价页面试用你关心的文本。
相关阅读
参考来源
- Musleh, Zhang, Darwish, "More Data, Fewer Diacritics: Scaling Arabic TTS", arXiv:2603.01622, March 2026: https://arxiv.org/html/2603.01622
- "CATT: Character-based Arabic Tashkeel Transformer", arXiv:2407.03236: https://arxiv.org/html/2407.03236
- Al Masri, Zater, "Arabic Text-to-Speech (TTS) Data Preparation", arXiv:2204.03255: https://arxiv.org/pdf/2204.03255v1
- Chen et al., "Habibi: Laying the Open-Source Foundation of Unified-Dialectal Arabic Speech Synthesis", arXiv:2601.13802: https://arxiv.org/html/2601.13802v2
- Sullivan et al., "Arab Voices: Mapping Standard and Dialectal Arabic Speech Technology", arXiv:2601.13319, January 2026: https://arxiv.org/html/2601.13319v2